Pular para o conteúdo principal

[TGDK] Article Requires Revisions - comentários Professor Altigran

Resumo do professor Altigran sobre os comentários dos revisores

Nosso principal problema é o revisor 4, vejam abaixo:

AspectoRevisor 1Revisor 2Revisor 3Revisor 4
NoveltyNovel solutionNovel solutionNovel problem & solutionNo novelty
RelevanceHighly relevantHighly relevantMostly relevantMostly irrelevant
ImpactNotable impact on narrow audience or small impact on broad audienceSmall impact on narrow audienceNotable impact on narrow audience or small impact on broad audienceLittle or no impact expected
Technical CorrectnessNo technical flawsFrequent major technical flawsFrequent minor or infrequent major technical flawsFrequent major technical flaws
ClarityGenerally well-written; clear in large partDifficult to understand; unclear in large partUnderstandable, but various parts could be clearerDifficult to understand; unclear in large part
ComentáriosNenhumNenhumNenhumNenhum
ExpertiseParcialmente familiar: leu sobre tópicos relacionadosConhecedor: leu e trabalhou com tópicos relacionadosConhecedor: leu e trabalhou com tópicos relacionadosEspecialista: trabalhou extensivamente no tópico

Algumas outras coisas que acho que devem ser feitas:

Reestruturar a seção de trabalhos relacionados (atualmente na conclusão):
  • Movê-la para antes da apresentação do framework.
  • Ampliar a cobertura de trabalhos relacionados, incluindo abordagens semelhantes para KGs confiáveis.
  • Comparar sistematicamente o CoaKG com outras soluções existentes para destacar a novidade e contribuição.
  • Apontar lacunas claras nas abordagens anteriores e como o CoaKG as resolve.

Definir formalmente os conceitos centrais:
  1. Fornecer definições precisas para contexto, metainformação, camadas (Trust, Knowledge, Decision) e Dual Open World Assumption (DOWA).
  2. Explicitar como os conceitos se relacionam e são aplicados no framework.

Reforçar o detalhamento técnico do framework:
  • Descrever formalmente os componentes do CoaKG (e.g., estrutura do grafo em camadas).
  • Detalhar como a camada de confiança (Trust Layer) é implementada, incluindo regras e políticas.
  • Apresentar um pseudocódigo ou fluxograma para as etapas principais de construção e consulta do CoaKG.

Incluir um exemplo gráfico do mapeamento de KGs para CoaKGs.
  • Explicar o processo de inferência de contexto implícito com regras semânticas.
  • Expandir a avaliação experimental:
  • Adicionar mais exemplos práticos que demonstrem as vantagens do CoaKG em relação a outros KGs (não apenas Wikidata).
  • Incluir métricas quantitativas (precisão, recall, tempo de execução) para medir o impacto e desempenho do framework.
  • Testar a abordagem em casos de uso alternativos (e.g., DBpedia) para validar generalização.

Reformular o exemplo da Tabela 1:
  • Usar gráficos em vez de tabelas para representar a estrutura do CoaKG, destacando as camadas e conexões.

Detalhar perguntas de competência (Competency Questions):
  • Relacioná-las diretamente com os objetivos e métricas do framework.
  • Demonstrar como as respostas são refinadas pelo mecanismo de consulta (Query Engine).

Demonstrar funcionalidade do motor de consulta (Query Engine):
  • Disponibilizar código e documentação detalhada no GitHub.
  • Mostrar como o motor responde a diferentes tipos de consultas (com e sem contexto).
  • Comparar resultados do CoaKG com abordagens convencionais para destacar ganhos.
Resumir a introdução:
  • Reduzir discussões sobre confiança e incerteza.
  • Apresentar rapidamente o problema, a solução e os objetivos.
Melhorar clareza e gramática:
  • Revisar o uso de terminologia técnica, removendo jargões desnecessários.
  • Corrigir problemas de referências cruzadas, como a linha 223 mencionando "1" sem contexto.
  • Revisar a formatação para garantir consistência em citações, espaçamentos e títulos.
Especificar detalhes do conjunto de dados:
  • Justificar o uso de dumps antigos do Wikidata.
  • Fornecer links diretos e versões utilizadas para reprodutibilidade.

Reescrever a conclusão:
  • Focar em resultados concretos e limitações atuais.
  • Evitar apresentar novas ideias (como integração com LLMs) sem detalhes.
  • Apontar próximos passos para abordar as limitações identificadas.

Comentários

Postagens mais visitadas deste blog

Connected Papers: Uma abordagem alternativa para revisão da literatura

Durante um projeto de pesquisa podemos encontrar um artigo que nos identificamos em termos de problema de pesquisa e também de solução. Então surge a vontade de saber como essa área de pesquisa se desenvolveu até chegar a esse ponto ou quais desdobramentos ocorreram a partir dessa solução proposta para identificar o estado da arte nesse tema. Podemos seguir duas abordagens:  realizar uma revisão sistemática usando palavras chaves que melhor caracterizam o tema em bibliotecas digitais de referência para encontrar artigos relacionados ou realizar snowballing ancorado nesse artigo que identificamos previamente, explorando os artigos citados (backward) ou os artigos que o citam (forward)  Mas a ferramenta Connected Papers propõe uma abordagem alternativa para essa busca. O problema inicial é dado um artigo de interesse, precisamos encontrar outros artigos relacionados de "certa forma". Find different methods and approaches to the same subject Track down the state of the art rese...

Knowledge Graphs as a source of trust for LLM-powered enterprise question answering - Leitura de Artigo

J. Sequeda, D. Allemang and B. Jacob, Knowledge Graphs as a source of trust for LLM-powered enterprise question answering, Web Semantics: Science, Services and Agents on the World Wide Web (2025), doi: https://doi.org/10.1016/j.websem.2024.100858. 1. Introduction These question answering systems that enable to chat with your structured data hold tremendous potential for transforming the way self service and data-driven decision making is executed within enterprises. Self service and data-driven decision making in organizations today is largly made through Business Intelligence (BI) and analytics reporting. Data teams gather the original data, integrate the data, build a SQL data warehouse (i.e. star schemas), and create BI dashboards and reports that are then used by business users and analysts to answer specific questions (i.e. metrics, KPIs) and make decisions. The bottleneck of this approach is that business users are only able to answer questions given the views of existing dashboa...

Knowledge Graph Toolkit (KGTK)

https://kgtk.readthedocs.io/en/latest/ KGTK represents KGs using TSV files with 4 columns labeled id, node1, label and node2. The id column is a symbol representing an identifier of an edge, corresponding to the orange circles in the diagram above. node1 represents the source of the edge, node2 represents the destination of the edge, and label represents the relation between node1 and node2. >> Quad do RDF, definir cada tripla como um grafo   KGTK defines knowledge graphs (or more generally any attributed graph or hypergraph ) as a set of nodes and a set of edges between those nodes. KGTK represents everything of meaning via an edge. Edges themselves can be attributed by having edges asserted about them, thus, KGTK can in fact represent arbitrary hypergraphs. KGTK intentionally does not distinguish attributes or qualifiers on nodes and edges from full-fledged edges, tools operating on KGTK graphs can instead interpret edges differently if they so desire. In KGTK, e...